通过肺结节的半自动细分来有效地识别不平衡数据的侵入性
Yu-Cheng Tung1, Ja-Hwung Su2, Yi-Wen Liao3
1Department of Diagnostic Radiology, Kaohsiung Chang Gung Memorial Hospital and Chang Gung University College of Medicine, Kaohsiung 833, Taiwan.
Biomedicines
|November 25, 2023
概括
这项研究引入了一种半自动细分方法,用于通过计算机断层扫描 (CT) 扫描来识别早期肺癌的侵入性. 这种方法可以提高结节细分和分类的准确性,特别是在有限或不平衡的数据的情况下.
科学领域:
- 生物医学科学 生物医学科学
- 医疗成像医学成像
- 医疗保健中的人工智能
背景情况:
- 早期肺癌检测和侵袭性评估对于患者的生存至关重要.
- 目前用于从CT图像中识别肺癌侵入性的方法面临着数据要求和不平衡数据集的准确性方面的挑战.
- 对于CT图像的手动数据注释是耗时且昂贵的.
研究的目的:
- 开发一种有效的半自动化方法,从CT图像中识别肺癌的侵入性.
- 解决现有预测模型中手动注释和数据不平衡的局限性.
- 为了提高早期肺癌侵袭性识别的准确性和效率.
主要方法:
- 一种半自动化的细分技术,结合了基于值的形态学和深度学习 (Mask-RCNN).
- 由单个点击像素启动的节点细分,减少计算负载.
- 一个增强集体分类模型,具有特征选择和均等下方采样,用于侵入性预测.
- 整合细分方法以利用各自的优势.
主要成果:
- 拟议的半自动化细分实现了与传统方法相比的 392.3% 的平均 Dice 改进.
- 整体分类模型显示,曲线下的面积 (AUC) 改善了5.3%,特异性增加了14.3%.
- 对于不平衡的数据集,该模型显示了实质性的收益:10.4%的AUC和33.3%的特异性改善.
结论:
- 拟议的半自动细分和集体分类方法有效地从CT图像中识别肺癌的侵入性.
- 这种方法克服了与大型数据集和数据不平衡相关的局限性,提供了更准确和更有效的解决方案.
- 这些发现表明,它是改善早期肺癌诊断和治疗规划的有希望的工具.
